Als je fraudedetectie automatiseert met AI, controleer je elke transactie in plaats van een steekproef. Een model leert wat normaal is in je administratie en markeert wat daarvan afwijkt. Je team beoordeelt alleen die afwijkingen. Zo gaat de aandacht naar de plekken waar het risico zit, en de rest loopt gewoon door.
Hoe werkt fraudedetectie met AI?
Bij fraudedetectie met AI leert een machine learning-model uit historische data hoe normale transacties eruitzien. Elke nieuwe factuur, betaling of boeking krijgt een afwijkingsscore. Komt die score boven een ingestelde drempel, dan volgt een signaal voor een medewerker. Het systeem signaleert, de mens beslist. Die techniek heet anomaliedetectie.
Wat is anomaliedetectie?
Anomaliedetectie is een techniek uit machine learning die patronen herkent die afwijken van wat gebruikelijk is. Het model hoeft niet te weten hoe fraude eruitziet. Het moet weten hoe normaal eruitziet.
Daar zit het verschil met regelgebaseerde controles. Een regel als “elke factuur boven €10.000 controleren” vangt alleen wat je vooraf bedacht hebt. Fraudeurs kennen die regels vaak ook en blijven er net onder. Een model kijkt naar combinaties van kenmerken die samen ongewoon zijn, ook als elk kenmerk apart onschuldig lijkt.
Grofweg zijn er twee benaderingen:
- Ongesuperviseerd leren: het model krijgt geen voorbeelden van fraude en zoekt zelf naar uitschieters. Dat is geschikt als bekende fraudegevallen schaars zijn, en in de meeste organisaties is dat zo.
- Gesuperviseerd leren: het model leert van gelabelde gevallen (“dit was fraude, dit niet”). Het is preciezer, maar dan heb je wel voldoende historische voorbeelden nodig.
In de praktijk begin je vaak ongesuperviseerd. Elk signaal dat je team beoordeelt, wordt vervolgens een label. Zo wordt het model met de tijd scherper. Wil je weten hoe deze techniek zich verhoudt tot andere vormen van AI, dan lees je in ons artikel over het verschil tussen machine learning en generatieve AI welke technologie bij welk proces past.
Van transactie tot signaal: wat er onder de motorkap gebeurt
Een anomaliedetectiemodel doet in de kern drie dingen. Het bouwt een profiel, het scoort en het leert bij.
Een profiel van normaal gedrag
Het model gebruikt historische transacties om te leren wat gebruikelijk is. Dat gaat verder dan bedragen. Het gaat ook om ritme, volgorde en context: welke leverancier factureert hoe vaak, op welke dagen, met welke bedragen en naar welk rekeningnummer.
Een score per transactie
Elke nieuwe transactie krijgt een score die aangeeft hoe sterk ze afwijkt van dat profiel. De score zegt niet dat iets fraude is. Hij zegt alleen dat iets ongewoon is. Een afwijking kan net zo goed een fout zijn, een dubbele boeking of een legitieme uitzondering. Ook dat is waardevol om te weten.
Een drempel en een terugkoppeling
Waar je de drempel legt, bepaalt hoeveel signalen je team krijgt. Leg je hem te laag, dan verdrinkt je team in valse meldingen. Leg je hem te hoog, dan mis je gevallen. Die balans stel je af in een pilot, niet op papier. Het oordeel van je medewerkers gaat terug het model in, zodat de signalen beter worden.
Een concreet voorbeeld: de crediteurenadministratie van een groothandel
Stel dat een technische groothandel jaarlijks 60.000 inkomende facturen verwerkt van enkele honderden leveranciers. De controller controleert nu een willekeurige steekproef van 5 procent. De rest wordt na goedkeuring door de budgethouder betaald.
Het model bekijkt alle facturen en let op combinaties zoals:
- een leverancier die ineens een ander IBAN-nummer opgeeft, vlak voor een grote betaling;
- facturen die steeds net onder de goedkeuringsgrens van een budgethouder blijven;
- hetzelfde bedrag en dezelfde omschrijving twee keer binnen korte tijd, met een ander factuurnummer;
- een nieuwe leverancier die factureert buiten het gebruikelijke patroon van de afdeling.
Geen van deze kenmerken is op zichzelf verdacht. Pas de combinatie maakt een factuur de moeite van een tweede blik waard.
Rekenvoorbeeld: wat verandert er in de controle?
Stel dat het model na afstemming in de pilot 1 procent van de facturen markeert, en dat de controle van een gemarkeerde factuur 15 minuten kost, ook al geeft het model aan waaróm hij afwijkt. Een steekproefcontrole kost nu gemiddeld 6 minuten per factuur. Alle getallen zijn aannames ter illustratie.
- Huidige steekproef: 60.000 × 5% = 3.000 facturen
- Huidige controletijd: 3.000 × 6 minuten = 300 uur per jaar
- Signalen van het model: 60.000 × 1% = 600 facturen
- Nieuwe controletijd: 600 × 15 minuten = 150 uur per jaar
- Totale tijdwinst per jaar: 150 uur, bij controle van 100% van de facturen in plaats van 5%
De tijdwinst is mooi meegenomen. De echte winst zit in de dekking. Eerst bleef 95 procent van de facturen ongezien. Nu wordt elke factuur bekeken, en gaat de aandacht van je controller naar de gevallen die ertoe doen. Hoe je zo’n besparing vertaalt naar een volledige business case, inclusief ontwikkel- en beheerkosten, lees je in ons artikel over het berekenen van de ROI van AI-automatisering.
Hetzelfde principe werkt buiten finance. In de logistiek signaleert anomaliedetectie bijvoorbeeld afwijkende brandstofdeclaraties of ongebruikelijke routes. Meer daarover staat in ons artikel over AI in de logistiek, van levertijdvoorspelling tot anomaliedetectie.
Waar je op let bij de inzet
Een werkend model is één ding. Een model dat over een jaar nog steeds goede signalen geeft, is iets anders. Vier punten maken het verschil.
Volume en risico. Anomaliedetectie is zinvol bij grote transactievolumes waarbij afwijkingen een financieel of operationeel risico vormen. Verwerk je een paar honderd transacties per jaar, dan is een goede handmatige controle vaak genoeg.
Datakwaliteit. Het model leert van je historie. Staan er structureel fouten in, zoals leveranciers die dubbel in het systeem staan, dan leert het model die fouten als normaal. Een data-readiness check vooraf voorkomt dat.
De mens houdt het besluit. Laat het model signaleren en je team beslissen. Dat is beter voor de kwaliteit, en het telt ook juridisch. Volgens het Verbond van Verzekeraars is AI voor fraudedetectie op grond van overweging 37 van de AI-verordening in beginsel geen hoog risico, omdat het niet gaat over de toegang tot een product of dienst, maar over de bescherming tegen misbruik. Het Verbond voegt daar wel aan toe dat de risicocategorie weer verandert zodra de AI-output leidt tot directe besluitvorming, of wordt gecombineerd met andere hoog-risicotoepassingen. Gaat het om persoonsgegevens, dan gelden daarnaast de regels van de AVG over geautomatiseerde besluitvorming.
Beheer na livegang. Fraudepatronen veranderen en je bedrijf verandert ook. Een nieuwe productlijn of een nieuw ERP-systeem verschuift wat normaal is. Monitoring en periodiek hertrainen horen bij de oplossing, niet bij een vervolgproject.
Daarom werken wij in vier fasen: begrijpen, bewijzen, uitbouwen en verankeren. In de pilot meten we hoeveel signalen terecht zijn en wat de controle je team kost. Dan volgt een expliciete go/no-go. Pas daarna bouwen we uit, met aandacht voor monitoring, beveiliging, privacy en governance. Aan het einde dragen we het eigenaarschap over aan je eigen team. Wij verkopen geen software. De techniek kiezen we op basis van jouw data en processen. Wil je eerst zien hoe het herkennen van afwijkende patronen eruitziet? In het Oakleaf AI-lab probeer je demonstraties zonder account uit, ook rond afwijkingen in dossiers.
Fraudedetectie is één toepassing binnen een breder vakgebied. Hoe je bepaalt welke processen je als eerste aanpakt, lees je in ons overzicht van AI-automatisering van processen.
Veelgestelde vragen
Hoeveel historische data heb je nodig voor anomaliedetectie?
Dat hangt af van het volume en het ritme van je transacties. Het model moet een representatief beeld krijgen van normaal gedrag, inclusief seizoenspatronen. Bij facturen die het hele jaar door binnenkomen, is een vol jaar historie vaak een goed vertrekpunt.
Vervangt AI de controller of accountant?
Nee. Het model neemt het zoekwerk over, je medewerkers houden het oordeel. Wat verandert, is hoe ze hun tijd besteden: minder willekeurige steekproeven, meer gericht onderzoek naar gevallen die echt afwijken.
Wat als het model te veel valse meldingen geeft?
Dan stel je de drempel bij en voeg je de beoordelingen van je team toe als leerdata. Dat afstellen hoort bij de pilotfase. Zo is het aantal signalen bij livegang werkbaar voor je team.
Valt fraudedetectie onder de hoog-risicoregels van de AI-verordening?
In de regel niet. Bijlage III van de verordening noemt kredietbeoordeling van personen als hoog risico, met uitzondering van AI-systemen die gebruikt worden om financiële fraude op te sporen. Laat je het model zelfstandig besluiten nemen over personen, of koppel je het aan een andere hoog-risicotoepassing, laat het dan opnieuw beoordelen.
Kun je anomaliedetectie koppelen aan je bestaande ERP- of boekhoudsysteem?
Meestal wel. Het model leest transacties uit je bestaande systeem en zet signalen terug in de werkstroom die je team al gebruikt. Zo hoeft niemand een extra tool te openen.
Tot slot
Fraudedetectie automatiseren met AI draait om één verschuiving. Je controleert niet langer een deel van je transacties, je laat een model alles bekijken. Je team kijkt alleen naar wat opvalt. Of het past, hangt af van je volume, je data en het risico dat je loopt. Begin klein, meet in een pilot wat het oplevert en bouw pas daarna uit.